De term Artificiële Intelligentie is ongeveer even oud als onze computers zelf, maar toch is de term vandaag brandend actueel. Grote verantwoordelijke hiervoor is machine learning, een familie algoritmes die bepaalde taken kunnen uitvoeren door te leren van voorbeelden (data dus). Machine learning moet gezien worden als een alternatief voor traditioneel programmeren, en heeft toepassingen in quasi elke bedrijf, departement en proces.
Net door die breedte kan het soms moeilijk zijn om de ideale toepassingen voor machine learning te identificeren. Daarom zoomen we vandaag specifiek in op één van de meest direct renderende toepassingsgebieden voor machine learning, namelijk productieprocessen, om exact te weten te komen waar, wanneer en hoe machine learning kan worden toegepast.
Waarom Machine Learning?
Maar voor we inzoomen op productieprocessen is het handig om eerst te achterhalen wanneer machine learing meer is aangewezen dan traditionele programmatie. Heel algemeen stellen we even dat we een probleem hebben, en dat we dit probleem graag zouden willen oplossen. Menselijke intelligentie blijft nog steeds de gouden standaard, maar wanneer grijpen we dan naar machine learning? Er zijn drie belangrijke redenen:
- Mensen kunnen het probleem oplossen, maar ze weten niet hoe
Klinkt contradictorisch, maar denk bijvoorbeeld aan gezichten herkennen: Je doet het elke dag, maar het gebeurt automatisch en zonder besef van de onderliggende werking. Dit maakt het vervolgens zeer moeilijk of onmogelijk om een computer te programmeren om diezelfde taak uit te voeren. - Mensen kunnen het probleem oplossen, maar hebben niet genoeg tijd/middelen
Veel problemen zijn wel oplosbaar, maar zeer duur of tijdrovend indien ze op een klassieke manier worden aangepakt. Denk bijvoorbeeld aan aanbevolen producten op webshops: een menselijke ‘personal shopper’ zal betere producten aanbevelen, maar dit is niet haalbaar voor webshops met duizenden of miljoenen klanten en artikelen. Machine learning vergt ook soms minder rekenkracht dat een traditioneel programma. Een mooi voorbeeld hiervan is de schaakcomputer. - Mensen kunnen het probleem niet oplossen, want ze begrijpen het niet
In veel gevallen begrijpen we simpelweg niet volledig welke onderliggende mechanismen aan de basis liggen van een probleem, en kunnen we het dus ook niet oplossen via traditionele programmatie. Dit komt vaak voor in productieprocessen: een machine of proces is niet 100% efficiënt, maar we weten niet exact wat de oorzaak is.
Machine Efficiëntie & Lean Manufacturing
Als we spreken over productieprocessen is het natuurlijk in eerste instantie belangrijk om te praten over het rendement van de machines, want dit heeft namelijk een directe invloed op de cijfers: liggen de machines stil, dan brengt de investering in het productieapparaat simpelweg niets op.
In technische termen wordt dit gemeten aan de hand van de Overall Equipment Effectiveness (OEE). OEE vertrekt vanuit de theoretische capaciteit, en identificeert vervolgens drie soorten efficiëntieverlies: downtime door onderhoud & technische problemen, snelheidsverlies en kwaliteitsverlies. De grootte van deze verliezen zijn makkelijk te kwantificeren, doch de oorzaken zijn niet altijd gemakkelijk te achterhalen en/of de data zijn complex en omvangrijk en daarom is OEE dan ook een zeer dankbaar toepassingsdomein voor machine learning.
Predictive maintenance is een veelgebruikte techniek om geplande en ongeplande downtimes te verminderen. Predictive maintenance is niet nieuw, maar met machine learning kunnen meer diverse en grootschalige databronnen gebruikt worden.
Één van onze klanten zocht bijvoorbeeld een betere manier om filters tijdig te wassen/vervangen en gebruikte hiervoor een druksensor om verstoppingen te detecteren. Na ons onderzoek bleek dat de data uit het ERP systeem, met volgorde van de producten die door de filter gaan, een betere predictor was dan de druksensor.
Een ander project draaide bijvoorbeeld rond de wascyclus in een productieproces. Door een optimalisatie van de planning kon het aantal wasbeurten significant verminderd worden. Resultaat? Een ~10% verhoging van de productiecapaciteit én een vermindering in verbruik van water en detergent!
De winstgevendheid van een productieproces wordt natuurlijk niet uitsluitend bepaald door de efficiëntie van de machines. Daarom maken we ook gebruik van het Lean Manufacturing framework om andere bronnen van verlies te identificeren en mogelijks aan te pakken met machine learning.
Hierbij ligt onze focus niet langer op de machines maar op de aangewende middelen, zowel menselijk als materieel (grondstoffen, energie, ruimte, …). Een productielijn kan immers 100% van de tijd werken, maar toch inefficiënties bevatten. We denken hierbij o.a. aan overmatig transport, afval, energieverbruik, arbeid en gebruik van opslagruimtes.
Zo hebben we bijvoorbeeld bij een klant in de voedingsindustrie, de afvalberg met 30% gereduceerd door de productieparameters te optimaliseren in functie van de eigenschappen van de ingrediënten.
Machine Learning optimalisatie
We hebben het nog niet gehad over hoe machine learning nu precies wordt toegepast om deze problemen te verhelpen. Dit zullen we in een volgend artikel preciezer toelichten, maar voor de succesfactor van machine learning projecten is het vinden van de juiste case alvast van cruciaal belang.
Eens de doelen zijn bepaald is het vervolgens nodig om de juiste processen te identificeren die invloed hebben op onze doelen. Tot slot gaan we als finale voorbereiding stap op zoek naar databronnen binnen deze processen die we kunnen gebruiken om onze machine learning algoritmes te voeden.